多视角机器人策略换了个动作坐标系:OVOA-VLA 在 LIBERO-Plus 上把总成功率提到 88.1%
多视角视觉-语言-动作模型通常只在机器人基座坐标系下接受动作监督,需要自己隐式学会每个视角的观测与基座动作之间的空间对应。OVOA-VLA 改为让每个视角的动作专家在各自相机坐标系下预测动作,同一段物理运动因此提供多份与观测对齐的监督,并用两张互补的有向注意力图和跨图一致性把各视角的预测汇入基座策略。在 LIBERO-Plus 上,完整推理与仅基座推理的平均成功率分别为 88.1% 和 85.7%;在真实 Franka Research 3 上,仅基座推理把空间分布偏移下三个任务的平均成功率从 28.3% 提高到 58.3%。